一种家庭活动推荐方法、系统和电子设备

1.本发明涉及数据处理技术领域，尤其涉及一种家庭活动推荐方法、系统和电子设备。


背景技术：

2.生活中，家庭的消费情况复杂多样，例如家庭人情世故往来，教育经费投入，衣食住行生活投入，金融管理与投资，旅游度假以及年度计划，个性经济活动推荐等等，在进行活动规划管理时需要综合评定和安排，这无疑增加了用户进行管理的难度。
3.随着网络技术的发展，互联网为人们的活动规划提供了多种服务系统，而现有的服务系统分类众多，复杂多样，只能进行单一的活动规划，不能对对用户的多种消费信息综合分析处理，并向用户推荐活动。


技术实现要素：

4.本发明提供了一种家庭活动推荐方法、系统和电子设备，解决了现有的服务系统不能对用户的多种消费信息综合分析处理，并向用户推荐活动的技术问题。
5.本发明第一方面提供了一种家庭活动推荐方法，包括以下步骤：
6.响应接收到的用户登录信息，通过后端服务器验证所述用户登录信息并发送消费数据的访问授权请求；
7.当所述用户登录信息验证成功且接收到授权许可时，通过所述后端服务器获取所述用户登录信息对应的消费数据；
8.对所述消费数据进行数据预处理，得到预处理数据；
9.对所述预处理数据进行聚类，得到多个目标数据簇、类别均值费用以及第一类别占比；
10.将各个所述目标数据簇内的类别数据分别输入到已训练的分类网络模型，得到第二类别占比；
11.根据所述第一类别占比和所述第二类别占比选取推荐活动信息，采用所述推荐活动信息构建推荐活动页面并展示。
12.可选地，所述对所述消费数据进行数据预处理，得到预处理数据的步骤，包括：
13.获取所述消费数据的消费类型、消费费用和消费时间；
14.通过数据库查询语句预设的消费类型、消费费用和消费时间对所述消费数据进行筛选，得到筛选数据；
15.对所述筛选数据进行数据归一化处理，得到预处理数据。
16.可选地，所述对所述预处理数据进行聚类，得到多个目标数据簇、类别均值费用以及第一类别占比的步骤，包括：
17.提取所述预处理数据的消费类型特征和消费费用特征；
18.以预设的消费类型特征的向量为质心对所述预处理数据进行聚类，得到n个类型
数据簇，n为正整数；
19.以所述消费费用特征的向量为质心对所述类型数据簇进行聚类，分别得到n-1个目标数据簇；
20.获取各个所述类型数据簇内的类型数据数量及其相应的类型消费费用；
21.分别对各个所述类型数据数量以及相应的所述类型消费费用进行求和计算，得到各个类型数据消费总额；
22.计算各个所述类型数据消费总额与相应的所述类型数据数量的比值，得到各个所述类型数据簇对应的类别均值费用；
23.计算各个所述类型数据消费总额与全部所述类型数据消费总额的第一消费比例，得到各个所述类型数据簇对应的第一类别占比。
24.可选地，所述将各个所述目标数据簇内的类别数据分别输入到已训练的分类网络模型，得到第二类别占比的步骤，包括：
25.将各个所述目标数据簇内的类别数据进行向量拼接，得到多个向量矩阵；
26.将各个所述向量矩阵分别输入到已训练的分类网络模型；所述分类网络模型包括卷积层和全连接层；
27.通过所述卷积层对各个所述向量矩阵进行卷积操作，得到多个向量特征；
28.通过所述全连接层计算所述向量特征与多个预设的类别特征之间的类别相似度；
29.通过所述全连接层将所述向量特征归类至所述类别相似度的最高值所属的分类类别；
30.分别对各个所述分类类别内向量特征的数量及其相应的目标消费费用进行求和计算，得到各个分类类别消费总额；
31.分别计算各个所述分类类别消费总额与全部所述分类类别消费总额的第二消费比例，得到各个所述分类类别对应的第二类别占比。
32.可选地，所述根据所述第一类别占比和所述第二类别占比选取推荐活动信息，采用所述推荐活动信息构建推荐活动页面并展示的步骤，包括：
33.比较所述第二类别占比与预设的第二类别占比阈值，确定所述第二类别占比对应的所述目标数据簇的消费水平；
34.从预设的活动备选表中选取所述第一类别占比小于预设的第一类别占比阈值，且所述消费水平小于预设的消费阈值的活动信息作为推荐活动信息；
35.将所述推荐活动信息加载至预设的初始活动页面内的推荐组件；
36.渲染所述推荐组件，生成推荐活动页面并展示。
37.可选地，在所述将所述推荐活动信息加载至预设的初始活动页面内的推荐组件的步骤之前，还包括：
38.通过后端服务器验证所述用户登录信息并发送收入数据的访问授权请求；
39.当所述用户登录信息验证成功且接收到授权许可时，通过所述后端服务器获取所述用户登录信息对应的收入数据；
40.分别计算所述收入数据与各个所述第一类别占比之间的乘积，得到多个类别安排费用；
41.采用全部所述类别安排费用构建年度投入计划表；
42.将所述年度投入计划表加载至预设的计划组件。
43.可选地，在所述分别计算所述收入数据与各个所述第一类别占比之间的乘积，得到多个类别安排费用的步骤之后，还包括：
44.计算各个所述类别安排费用分别与预设的天数的比值，得到各个天均值费用；
45.获取所述活动备选表内的各个所述活动信息对应的活动费用；
46.计算各个所述活动费用与对应的所述天均值费用的和值，得到各个所述活动信息对应的活动预算；
47.分别计算各个所述类别均值费用与预设的阈值系数的乘积，得到各个所述活动信息对应的活动预算阈值；
48.选取所述活动预算小于或等于所述活动预算阈值的所述推荐活动信息作为新的推荐活动信息。
49.可选地，还包括：
50.当生成所述推荐活动页面后，将所述计划组件加载至所述推荐活动页面并渲染，得到新的推荐活动页面。
51.本发明第二方面提供了一种家庭活动推荐系统，包括：
52.用户验证与授权访问请求模块，用于响应接收到的用户登录信息，通过后端服务器验证所述用户登录信息并发送消费数据的访问授权请求。
53.数据获取模块，用于当所述用户登录信息验证成功且接收到授权许可时，通过所述后端服务器获取所述用户登录信息对应的消费数据；
54.第一数据预处理模块，用于对所述消费数据进行数据预处理，得到预处理数据；
55.第二数据预处理模块，用于对所述预处理数据进行聚类，得到多个目标数据簇、类别均值费用以及第一类别占比；
56.分类网络模型运算模块，用于将各个所述目标数据簇内的类别数据分别输入到已训练的分类网络模型，得到第二类别占比；
57.推荐活动页面构建模块，用于根据所述第一类别占比和所述第二类别占比选取推荐活动信息，采用所述推荐活动信息构建推荐活动页面并展示。
58.本发明第三方面提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-8任一项所述的家庭活动推荐方法的步骤。
59.从以上技术方案可以看出，本发明具有以下优点：
60.本发明通过响应接收到的用户登录信息，并通过后端服务器验证用户登录信息并发送消费数据的访问授权请求，接着当用户登录信息验证成功且收到授权许可时，通过后端服务器获取用户登录信息对应得消费数据，接着对消费数据进行数据预处理，得到预处理数据，保证数据的质量，提高数据处理精度，其次，对预处理数据进行聚类，得到多个目标数据簇、类别均值费用以及第一类别占比，再将各个目标数据簇内的类别数据分别输入到已训练的分类网络模型，得到第二类别占比，最后根据第一类别占比和第二类别占比选取推荐活动信息，再采用推荐活动信息构建推荐活动页面并展示，以提供用户进行选择。通过在输入分类网络模型前聚类处理，使得输入的数据更契合分类网络模型，保证分类网络模型的可用性，同时通过对消费数据进行聚类，结合分类网络模型，对消费数据综合处理，有
利于筛选出更符合用户的推荐活动，避免用户面对复杂多样的消费数据时难以处理分析，为用户选取活动信息提供良好的依据，提高用户决策效率，解决了现有的服务系统不能对用户的多种消费信息综合分析处理，并向用户推荐活动的问题。
附图说明
61.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
62.图1为本发明实施例一提供的一种家庭活动推荐方法的流程图；
63.图2为本发明实施例二提供的一种家庭活动推荐方法的流程图；
64.图3为本发明实施例二提供的后端服务器的原理图；
65.图4为本发明实施例二提供的类别消费情况图表的三维散点图；
66.图5为本发明实施例三提供的一种家庭活动推荐系统的整体结构示意图。
具体实施方式
67.为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
68.请参阅图1，图1为本发明实施例一提供的一种家庭活动推荐方法的流程图。
69.本发明提供的一种家庭活动推荐方法，包括以下步骤：
70.步骤101、响应接收到的用户登录信息，通过后端服务器验证用户登录信息并发送消费数据的访问授权请求。
71.步骤102、当用户登录信息验证成功且接收到授权许可时，通过后端服务器获取用户登录信息对应的消费数据。
72.步骤103、对消费数据进行数据预处理，得到预处理数据。
73.数据预处理指在主要的处理以前对数据进行的一些处理，保证数据的质量，包括确保数据的准确性、完整性和一致性。
74.本发明实施例中，通过处理前对数据预处理，可以提高数据处理的精度。
75.步骤104、对预处理数据进行聚类，得到多个目标数据簇、类别均值费用以及第一类别占比。
76.聚类指的是对大量未知标注的数据集，按数据的内在相似性将数据集划分为多个类别，使类别内的数据相似度较大而类别间的数据相似度较小。
77.本发明实施例中，通过对预处理数据进行聚类，得到多个目标数据簇、类别均值费用以及第一类别占比，通过聚类对消费数据的划分，在输入分类网络模型前聚类处理，保证分类网络模型的可用性，同时为活动推荐提供多种参考信息，便于更好的推荐活动。
78.步骤105、将各个目标数据簇内的类别数据分别输入到已训练的分类网络模型，得
到第二类别占比。
79.本发明实施例中，通过对目标数据簇内的类别数据经过分类网络模型进行分类，从而获得第二类别占比，为选取推荐活动信息提供更多参考信息，提高推荐活动的实用性。
80.步骤106、根据第一类别占比和第二类别占比选取推荐活动信息，采用推荐活动信息构建推荐活动页面并展示。
81.本发明实施例中，根据第一类别占比和第二类别占比综合分析确定选取的推荐活动信息，同时采用确定后的推荐活动信息构建推荐活动页面并展示，以提供给用户查看。
82.本技术实施例中，通过响应接收到的用户登录信息，并通过后端服务器验证用户登录信息并发送消费数据的访问授权请求，接着当用户登录信息验证成功且收到授权许可时，通过后端服务器获取用户登录信息对应得消费数据，接着对消费数据进行数据预处理，得到预处理数据，保证数据的质量，提高数据处理精度，其次，对预处理数据进行聚类，得到多个目标数据簇、类别均值费用以及第一类别占比，再将各个目标数据簇内的类别数据分别输入到已训练的分类网络模型，得到第二类别占比，最后根据第一类别占比和第二类别占比选取推荐活动信息，再采用推荐活动信息构建推荐活动页面并展示，以提供用户进行选择。通过在输入分类网络模型前聚类处理，使得输入的数据更契合分类网络模型，保证分类网络模型的可用性，同时通过对消费数据进行聚类，结合分类网络模型，对消费数据综合处理，有利于筛选出更符合用户的推荐活动，避免用户面对复杂多样的消费数据时难以处理分析，为用户选取活动决策提供良好的依据，解决了现有的服务系统不能对用户的多种消费信息综合分析处理，并向用户推荐活动的问题。
83.请参阅图2，图2为本发明实施例二提供的一种家庭活动推荐方法的流程图。
84.本发明提供的一种家庭活动推荐方法，包括以下步骤：
85.步骤201、响应接收到的用户登录信息，通过后端服务器验证用户登录信息并发送消费数据的访问授权请求。
86.后端服务器指的是直接为客户端提供服务以及数据的服务器端。
87.需要说明的是，预先基于ssm框架构建后端服务器，后端服务器包括相互通信连接的控制层、业务层和dao层；后端服务器还设有数据库；控制层包括dispacherservlet(分发器)、controller(控制器)和modelandview(模型和视图)，dispacherservlet用于处理客户端的请求并将其结果发送至客户端；controller用于从业务层调用业务逻辑处理并进行数据处理；modelandview作为controller的返回类型，分为model和view两部分，model为指定返回相应的参数，其中view为指定返回相应的页面且可用于渲染模型数据，优选地，本发明实施例采用jsp页面返回。
88.在具体实现中，如图3所示，用户可通过客户端发送请求，即客户端发送请求到dispacherservlet，由dispacherservlet查询handermapping，找到处理请求的控制层中的controller，controller从业务层调用业务逻辑处理后，其中业务层通过dao层调取数据库中相应的数据，返回modelandview，接着dispacherserclet查询视图解析器，找到modelandview指定的视图，其中视图渲染模型数据，由视图解析器解析为相应的jsp页面，再通过dispacherservlet返回到客户端，供用户查看。例如，客户端可基于js(javascript)框架开发，用户在客户端输入用户名和密码，客户端通过在js页面发起请求，在js页面通过json将数据变为字符串，通过jquery ajax将数据发送到后端服务器，再通过@
requestmapping注解将数据映射到对应controller方法中，处理之后，再将数据返回到客户端，用户登录成功。
89.dispacherservlet(分发器)指的是前端控制器，主要职责是接收所有请求(根据配置文件来决定)，并将请求转发给对应的控制器，接收控制器的处理结果，确定最终由哪个视图完成响应。
90.handlermapping用于处理请求路径与控制器的映射关系。
91.controller指的是控制器，为实际处理请求的组件，例如接收请求参数，决定最终是转发或重定向的方式来响应。
92.jsp(全称javaserver pages)jsp部署于网络服务器上，可以响应客户端发送的请求，并根据请求内容动态地生成html、xml或其他格式文档的web网页，然后返回给请求者。
93.javascript(简称“js”)是一种具有函数优先的轻量级，解释型或即时编译型的编程语言，主要应用在web应用开发。
94.本发明实施例中，通过具体化后端服务器的结构，基于ssm框架搭建后端服务器，说明了后端服务器工作的流程，对消费数据进行综合处理，使得计算更轻量化和灵活，且复用性较高。
95.步骤202、当用户登录信息验证成功且接收到授权许可时，通过后端服务器获取用户登录信息对应的消费数据。
96.步骤203、对消费数据进行数据预处理，得到预处理数据。
97.在本发明实施例中，步骤202-203的具体实施过程与步骤102-103类似，在此不再赘述。
98.进一步地，步骤203具体包括步骤s11-s13：
99.步骤s11、获取消费数据的消费类型、消费费用和消费时间。
100.步骤s12、通过数据库查询语句预设的消费类型、消费费用和消费时间对消费数据进行筛选，得到筛选数据。
101.需要说明的是，后端服务器设有数据库，在通过后端服务器获取消费数据后，将获取的消费数据保存到后端服务器内的数据库中，以便于数据的调用，查询。
102.数据库指的是一个长期存储在计算机内的、有组织的、可共享的、统一管理的大量数据的集合；数据库查询语句指的是通过设置的语法格式从数据库筛选出符合条件的数据，例如，获取消费数据的消费类型、消费费用和消费时间，同时根据数据处理需求设定数据库查询语句为：
103.elect ctype,cmoney from em_consumption
104.where
105.cmoney》100and year(ctime)＝year(now())
106.其中：ctype代表消费类型，cmoney代表消费费用，em_consumption代表数据库中的数据表，cmoney》100代表查询费用高于100的，year(ctime)＝year(now())代表查询最近一年。
107.本发明实施中，通过对消费数据进行筛选，一方面减少数据量，提高运算效率，另一方面选取比较重要、具有代表性的消费数据，提高数据分析的实用性和精确性，以使得推荐活动更符合用户的需求。
108.步骤s13、对筛选数据进行数据归一化处理，得到预处理数据。
109.数据归一化(标准化)处理是数据挖掘的一项基础工作，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据归一化处理，以解决数据指标之间的可比性。
110.本发明实施例中，通过数据归一化处理，避免影响数据分析结果，提高数据分析的有效性。
111.进一步地，步骤s13具体包括：
112.对筛选数据采用独热编码进行数据归一化处理，得到预处理数据。
113.独热编码(one-hot编码)，又称一位有效编码，其方法是使用n位状态寄存器来对n个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效，即，只有一位是1，其余都是零值，独热编码是利用0和1表示一些参数，使用n位状态寄存器来对n个状态进行编码。
114.在具体实现中，例如，使用独热编码(one-hot编码)对筛选数据进行编码，对于消费费用，我们采用每隔100编码一个向量，封顶至4000，即有40个不同的长度为40的向量来表示金额，例如99，150，2005，3852则分别表示为：
115.[1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]，
[0116]
[0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]，
[0117]
[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]，
[0118]
[1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0]。
[0119]
对于消费类型，我们采用长度为6的向量来编码，附加在金额后面，例如饮食99，交通150，教育2005，贷款3852则分别表示为：
[0120]
[1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0]，
[0121]
[0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0]，
[0122]
[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0]，
[0123]
[1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,1]。
[0124]
为便于分类网络模型的计算，可根据需求将向量长度延长至预置长度，具体根据延长长度在后面补0。
[0125]
本发明实施中，通过采用独热编码的方式将离散特征的取值扩展到了欧式空间，使得到的预处理数据是连续有序的，便于聚类、分类。
[0126]
步骤204、对预处理数据进行聚类，得到多个目标数据簇、类别均值费用以及第一类别占比。
[0127]
可选地，步骤204具体包括步骤s21-s27：
[0128]
步骤s21、提取预处理数据的消费类型特征和消费费用特征。
[0129]
步骤s22、以预设的消费类型特征的向量为质心对预处理数据进行聚类，得到n个类型数据簇，n为正整数。
[0130]
步骤s23、以消费费用特征的向量为质心对类型数据簇进行聚类，分别得到n-1个目标数据簇。
[0131]
步骤s24、获取各个类型数据簇内的类型数据数量及其相应的类型消费费用。
[0132]
步骤s25、分别对各个类型数据数量以及相应的类型消费费用进行求和计算，得到各个类型数据消费总额。
[0133]
步骤s26、计算各个类型数据消费总额与相应的类型数据数量的比值，得到各个类型数据簇对应的类别均值费用。
[0134]
步骤s27、计算各个类型数据消费总额与全部类型数据消费总额的第一消费比例，得到各个类型数据簇对应的第一类别占比。
[0135]
需要说明的是，在步骤s22中，不随机选取初始质心，而确定好预设的消费类型特征的向量为质心，例如，采用k-means聚类算法，以n个预设的消费类型特征的向量为质心，分别用预处理数据的消费类型的向量计算与各个初始质心之间的距离(相似度)，将预处理数据中数据样本点划分到距离最近的簇，将预处理数据划分为n个类型数据簇，其中n为正整数，其中质心与数据样本点间相似度的计算公式为：
[0136]
其中x为质心，y为数据样本点。
[0137]
在步骤s23中，以消费费用特征的向量为质心对类型数据簇进行聚类，例如，采用k-means 聚类算法，在各个类型数据簇内以消费费用特征的向量为质心，随机选取一个初始质心，分别用类型数据簇内的数据样本点的消费费用特征的向量计算与各个初始质心之间的距离(相似度)，将不高于总样本点数1/n-1数据样本点划分到距离最近的簇，寻找距离此质心最远的样本点作为下一个质心，直至将各个类型数据簇内的数据样本点划分为n-1个簇，从而得到目标数据簇，其中n为正整数，其中质心与数据样本点间相似度的计算公式为：
[0138]
其中x为质心，y为数据样本点。
[0139]
本发明实施例中，通过提取预处理数据的消费类型特征和消费费用特征，首先以预设的消费类型特征为质心对预处理数据进行聚类，将预处理数据划分为n个类型数据簇，其次，以消费费用特征的向量为质心对类型数据簇进行聚类，分别得到n-1个目标数据簇，其中n为正整数，通过两次以不同类别的向量特征为质心进行簇内再划分，以消费类型特征的向量为质心可以体现出用户在不同消费类型中的消费活动的分布情况，而以消费费用特征为质心可以体现出用户在某一消费类型中不同消费费用的消费活动分布的情况，接着获取各个类型数据簇内的类型数据数量及其相应的类型消费费用，分别对各个类型数据数量以及相应的类型消费费用进行求和计算，得到各个类型数据消费总额，计算各个类型数据消费总额与相应的类型数据数量的比值，得到各个类型数据簇对应的类别均值费用，为确定推荐活动信息提供参考依据，在类型数据簇内的类型数据数量对应类型消费费用均不相
同，部分高，部分低，因而通过计算各个类型数据消费总额与全部类型数据消费总额的第一消费比例，更能体现用户在不同消费类型中的消费情况，从而得到各个类型数据簇对应的第一类别占比，从而具体地通过第一类别占比反映出用户在不同消费类型中的消费的分布情况，便于为确定推荐活动信息提供参考依据，间接提高推送活动信息页面的实用性，推送更贴合用户的推荐活动。
[0140]
步骤205、将各个目标数据簇内的类别数据分别输入到已训练的分类网络模型，得到第二类别占比。
[0141]
可选地，步骤205具体包括步骤s31-s37：
[0142]
步骤s31、将各个目标数据簇内的类别数据进行向量拼接，得到多个向量矩阵。
[0143]
步骤s32、将各个向量矩阵分别输入到已训练的分类网络模型；分类网络模型包括卷积层和全连接层。
[0144]
进一步地，在步骤s32之前，包括：
[0145]
将多个向量矩阵作为训练样本输入分类网络模型进行训练和优化，以确定分类网络模型最优模型，得到已训练的分类网络模型。
[0146]
本发明实施例中，通过对分类网络模型预先训练和优化，减少在将向量矩阵输入分类网络模型的计算量，提高分类网络模型的精度。
[0147]
步骤s33、通过卷积层对各个向量矩阵进行卷积操作，得到多个向量特征。
[0148]
步骤s34、通过全连接层计算向量特征与多个预设的类别特征之间的类别相似度。
[0149]
步骤s35、通过全连接层将向量特征归类至类别相似度的最高值所属的分类类别。
[0150]
步骤s36、分别对各个分类类别内向量特征的数量及其相应的目标消费费用进行求和计算，得到各个分类类别消费总额。
[0151]
步骤s37、分别计算各个分类类别消费总额与全部分类类别消费总额的第二消费比例，得到各个分类类别对应的第二类别占比。
[0152]
需要说明的是，分类类别消费总额即为在同一类型数据簇中各个目标数据簇内所有数据样本点的消费总额；对类别数据采用torch.cat函数进行向量拼接，得到多个向量矩阵，优选为二维矩阵，即2d灰度图，分类网络模型优选为resnet18网络模型，对各个向量矩阵进行分类；根据类别数据需要分类的类别数量，可对应设定全连接层为相应的输出数量。在具体实现中，例如，有数据样本点a、b，通过e＝torch.cat((a,b),0)则变成二维，优选地，将分别将各个目标数据簇内的类别数据创建成48*48*1的2d灰色图像，具体多少张图片根据具体数据条数生成，48*48*1代表48条数据转换成一个长为48宽为48通道为1(灰度图，彩色图为3)图像。
[0153]
本发明实施例中，通过将各个目标数据簇内的类别数据进行向量拼接后，将各个向量矩阵分别输入到已训练的分类网络模型中进行特征分类，分类网络模型包括卷积层和全连接层，在向量矩阵输入到分类网络模型中后，首先通过卷积层对各个向量矩阵进行卷积操作，进而得到多个向量特征，再通过全连接层计算向量特征与多个预设的类别特征之间的类别相似度，接着通过全连接层将向量特征归类至类别相似度的最高值所属的分类类别，最后对归类好的向量特征，分别对各个分类类别内向量特征的数量及其相应的目标消费费用进行求和计算，得到各个分类类别消费总额，再分别计算各个分类类别消费总额与全部分类类别消费总额的第二消费比例，得到各个分类类别对应的第二类别占比。通过对
目标数据簇内的类别数据进行向量拼接，使得拼接后的向量矩阵能够在已训练好的分类网络模型运算，提高分类网络模型分类的效率，通过卷积层和全连接层对输入的向量矩阵进行向量特征提取及归类，通过归类后向量特征，计算得到第二类别占比，提高分类网络模型分类的运算效率，尤其是在数据量较大的时候。
[0154]
步骤206、根据第一类别占比和第二类别占比选取推荐活动信息，采用推荐活动信息构建推荐活动页面并展示。
[0155]
可选地，步骤206具体包括步骤s41-s44：
[0156]
步骤s41、比较第二类别占比与预设的第二类别占比阈值，确定第二类别占比对应的目标数据簇的消费水平。
[0157]
步骤s42、从预设的活动备选表中选取第一类别占比小于预设的第一类别占比阈值，且消费水平小于预设的消费阈值的活动信息作为推荐活动信息。
[0158]
步骤s43、将推荐活动信息加载至预设的初始活动页面内的推荐组件。
[0159]
步骤s44、渲染推荐组件，生成推荐活动页面并展示。
[0160]
渲染指的是把数据和模板拼接到一起，将数据通过模板绑定语法绑定到页面中，最终呈现给用户的过程。
[0161]
需要说明的是，各个第一类别占比都有与其相对应的预设的第一类别占比阈值，例如，在预设的活动备选表中，预设饮食的第一类别占比阈值为20％、出行的第一类别占比阈值为5％、教育的第一类别占比阈值为25％、旅行的第一类别占比阈值为5％、水电的第一类别占比阈值为10％和房车贷款的第一类别占比阈值为35％；进一步地，为避免推荐活动信息过多，首先获取活动信息的推送频率，其中，选取推送频率少于预设的推送频率的活动信息，并将该活动信息作为新的推荐活动信息，且记录当前选取的活动信息的推荐频率，当再次选取活动信息时，在预设的选取次数内不再选取当前选取的活动信息。
[0162]
本发明实施例中，通过第二类别占比能反映出用户在某一消费类型中不同消费费用的消费活动分布的情况，即能反应用户在同一消费类型中不同活动的消费水平，因此，通过比较第二类别占比与预设的第二类别占比阈值，确定第二类别占比对应的目标数据簇的消费水平，即可确定用户在对应的目标数据簇的消费水平，消费水平可分为高、中和低，当第二类别占比低于预设的第二类别占比阈值时，则说明与第二类别占比相应进行消费数据处于低水平的消费，而第一类别占比则反应出在用户在各个消费类型中的消费情况，通过第一类别占比与预设的第一类别占比阈值比较，若第一类别占比低于预设的第一类别占比阈值，则说明用户在这一消费类型中进行的活动较少，若第一类别占比高于或等于预设的第一类别占比阈值，则说明用户在这一消费类型中进行的活动较多，本实施优选为用户推选用户进行次数较少且性价比较低消费的活动信息，因此从预设的活动备选表中选取第一类别占比小于预设的第一类别占比阈值，且消费水平小于预设的消费阈值的活动信息作为推荐活动信息，再将推荐活动信息加载至预设的初始活动页面内的推荐组件，接着渲染推荐组件，生成推荐活动页面并展示，从多个维度进行综合分析，推送出更符合用户的推荐活动。
[0163]
可选地，步骤s43之前还包括步骤s421-s426：
[0164]
步骤s421、通过后端服务器验证用户登录信息并发送收入数据的访问授权请求。
[0165]
步骤s422、当用户登录信息验证成功且接收到授权许可时，通过后端服务器获取
用户登录信息对应的收入数据。
[0166]
步骤s423、分别计算收入数据与各个第一类别占比之间的乘积，得到多个类别安排费用。
[0167]
步骤s424、采用全部类别安排费用构建年度投入计划表。
[0168]
步骤s425、将年度投入计划表加载至推荐活动页面的计划组件。
[0169]
需要说明的是，在采用的收入数据时，考虑到用户会有存款计划或者其他使用计划，因此，在计算类别安排费用时，采用的收入数据为去除存款计划或其他使用计划的费用的收入数据，同时在计算类别安排费用时，在通过数据库查询语句预设的消费类型、消费费用和消费时间对消费数据进行筛选时，可将消费时间设定为一年，使得构成的年度投入计划表精准度更高。
[0170]
本发明实施例中，通过后端服务器验证用户登录信息并发送收入数据的访问授权请求，当用户登录信息验证成功且接收到授权许可时，再通过后端服务器获取用户登录信息对应的收入数据，其次，分别计算收入数据与各个第一类别占比之间的乘积，得到类别安排费用，接着，采用全部类别安排费用构建年度投入计划表，将年度投入计划表加载至推荐活动页面的计划组件，便于将计划组件渲染后加载到推荐活动页面显示。
[0171]
进一步地，在步骤s423之后，还包括步骤s4231-s4235：
[0172]
步骤s4231、计算各个类别安排费用分别与预设的天数的比值，得到各个天均值费用。
[0173]
步骤s4232、获取活动备选表内的各个活动信息对应的活动费用。
[0174]
步骤s4233、计算各个活动费用与对应的天均值费用的和值，得到各个活动信息对应的活动预算。
[0175]
步骤s4234、分别计算各个类别均值费用与预设的阈值系数的乘积，得到各个活动信息对应的活动预算阈值。
[0176]
步骤s4235、选取活动预算小于或等于活动预算阈值的推荐活动信息作为新的推荐活动信息。
[0177]
本发明实施例中，通过计算各个类别安排费用分别与预设的天数的比值，得到各个天均值费用，其次，获取活动备选表内的各个活动信息对应的活动费用，再计算各个活动费用与对应的天均值费用的和值，从而以该和值作为活动信息对应的活动预算，分别计算各个类别均值费用与预设的阈值系数的乘积，得到各个活动信息对应的活动预算阈值，选取活动预算小于或等于活动预算阈值的推荐活动信息作为新的推荐活动信息。通过计算活动预算与活动预算阈值，再进行比较，其中天均值费用与收入数据相关联，可根据收入数据灵活性地调整活动预算，而为避免活动预算过高，即根据用户实际的类别均值费用设定活动预算阈值，使得选取的活动信息更贴合用户实际消费的推荐活动，提高推荐活动信息的实用性。
[0178]
进一步地，步骤206还包括步骤s51-s53：
[0179]
步骤s51、采用全部第一类别占比构建类别消费情况图表。
[0180]
步骤s52、将类别消费情况图表加载至推荐活动页面的消费组件。
[0181]
步骤s53、渲染消费组件后，更新当前时刻的推荐活动页面。
[0182]
本发明实施例中，通过构建消费情况图表并在推荐活动页面展示，用户可直观了
解自己在各个消费类型的消费情况，消费情况图表可采用直方图、饼状图或折线图。
[0183]
在一实施例中，如图4所示，随机给各个类型数据簇中的类型数据增加维度z，采用全部类型数据簇构建类别消费情况图表，其中，类别消费情况图表为三维散点图，通过三维散点图更为直观的表示出用户在各个消费类型的消费情况，相比采用全部第一类别占比通过直方图、饼状图或折线图展示更加形象化。
[0184]
步骤207、当生成推荐活动页面后，将计划组件加载至推荐活动页面并渲染，得到新的推荐活动页面。
[0185]
本发明实施例中，通过将计划组件加载到推荐活动页面并渲染，得到新的活动推荐页面，得到新的活动推荐页面中可以显示年度投入计划表。通过年度投入计划表向用户可以直观向用户展示未来用户在各个消费类型的预计投入费用，给用户活动规划提供参考。
[0186]
本发明实施例中，通过采用数据库查询语句和数据归一化进行预处理，保证数据的质量，提高数据处理精度，其次，对预处理数据进行聚类，其中采用两种不同的聚类方式以不同的质心进行二次聚类，使得输入的数据更契合分类网络模型，保证分类网络模型的可用性，二次聚类的处理方式还可以从多个维度进行分类得到用于判断的数据，且提高判断结果的实用性，更贴合用户实际需求，同时结合分类网络模型，对消费数据综合处理，有利于筛选出更符合用户的推荐活动，避免用户面对复杂多样的消费数据时难以处理分析，为用户选取活动决策提供良好的依据，解决了现有的服务系统不能对用户的多种消费信息综合分析处理，并向用户推荐活动的问题，另外为了用户便于查看自身的消费情况，采用全部第一类别占比构建类别消费情况图表，并将类别消费情况图表加载至推荐活动页面展示，可以反映出用户的消费情况，因此，推荐活动页面可以展示推荐活动信息、类别消费情况图表和年度投入计划表多种信息，综合性较强，且实用性较高，便于用户的查看。
[0187]
请参阅图5，图5提供了一种家庭活动推荐系统的整体结构示意图
[0188]
本发明实施例提供的一种家庭活动推荐系统，包括：
[0189]
用户验证与授权访问请求模块301，用于响应接收到的用户登录信息，通过后端服务器验证用户登录信息并发送消费数据的访问授权请求。
[0190]
数据获取模块302，用于当用户登录信息验证成功且接收到授权许可时，通过后端服务器获取用户登录信息对应的消费数据；
[0191]
第一数据预处理模块303，用于对消费数据进行数据预处理，得到预处理数据；
[0192]
第二数据预处理模块304，用于对预处理数据进行聚类，得到多个目标数据簇、类别均值费用以及第一类别占比；
[0193]
分类网络模型运算模块305，用于将各个目标数据簇内的类别数据分别输入到已训练的分类网络模型，得到第二类别占比；
[0194]
推荐活动页面构建模块306，用于根据第一类别占比和第二类别占比选取推荐活动信息，采用推荐活动信息构建推荐活动页面并展示。
[0195]
可选地，用户验证与授权访问请求模块301具体还用于：
[0196]
通过后端服务器验证用户登录信息并发送收入数据的访问授权请求；
[0197]
可选地，数据获取模块302具体还用于：
[0198]
当用户登录信息验证成功且接收到授权许可时，通过后端服务器获取用户登录信
息对应的收入数据；
[0199]
可选地，第一数据预处理模块303具体用于：
[0200]
获取消费数据的消费类型、消费费用和消费时间；
[0201]
通过数据库查询语句预设的消费类型、消费费用和消费时间对消费数据进行筛选，得到筛选数据；
[0202]
对筛选数据进行数据归一化处理，得到预处理数据。
[0203]
可选地，第二数据预处理模块304具体用于：
[0204]
提取预处理数据的消费类型特征和消费费用特征；
[0205]
以预设的消费类型特征的向量为质心对预处理数据进行聚类，得到n个类型数据簇，n为正整数；
[0206]
以消费费用特征的向量为质心对类型数据簇进行聚类，分别得到n-1个目标数据簇；
[0207]
获取各个类型数据簇内的类型数据数量及其相应的类型消费费用；
[0208]
分别对各个类型数据数量以及相应的类型消费费用进行求和计算，得到各个类型数据消费总额；
[0209]
计算各个类型数据消费总额与相应的类型数据数量的比值，得到各个类型数据簇对应的类别均值费用；
[0210]
计算各个类型数据消费总额与全部类型数据消费总额的第一消费比例，得到各个类型数据簇对应的第一类别占比。
[0211]
可选地，分类网络模型运算模块305具体用于：
[0212]
将各个目标数据簇内的类别数据进行向量拼接，得到多个向量矩阵；
[0213]
将各个向量矩阵分别输入到已训练的分类网络模型；分类网络模型包括卷积层和全连接层；
[0214]
通过卷积层对各个向量矩阵进行卷积操作，得到多个向量特征；
[0215]
通过全连接层计算向量特征与多个预设的类别特征之间的类别相似度；
[0216]
通过全连接层将向量特征归类至类别相似度的最高值所属的分类类别；
[0217]
分别对各个分类类别内向量特征的数量及其相应的目标消费费用进行求和计算，得到各个分类类别消费总额；
[0218]
分别计算各个分类类别消费总额与全部分类类别消费总额的第二消费比例，得到各个分类类别对应的第二类别占比。
[0219]
可选地，推荐活动页面构建模块306具体用于：
[0220]
比较第二类别占比与预设的第二类别占比阈值，确定第二类别占比对应的目标数据簇的消费水平；
[0221]
从预设的活动备选表中选取第一类别占比小于预设的第一类别占比阈值，且消费水平小于预设的消费阈值的活动信息作为推荐活动信息；
[0222]
将推荐活动信息加载至预设的初始活动页面内的推荐组件；
[0223]
渲染推荐组件，生成推荐活动页面并展示。
[0224]
可选地，推荐活动页面构建模块306具体还用于：
[0225]
分别计算收入数据与各个第一类别占比之间的乘积，得到多个类别安排费用；
[0226]
采用全部类别安排费用构建年度投入计划表；
[0227]
将年度投入计划表加载至预设的计划组件。
[0228]
可选地，推荐活动页面构建模块306具体还用于：
[0229]
计算各个类别安排费用分别与预设的天数的比值，得到各个天均值费用；
[0230]
获取活动备选表内的各个活动信息对应的活动费用；
[0231]
计算各个活动费用与对应的天均值费用的和值，得到各个活动信息对应的活动预算；
[0232]
分别计算各个类别均值费用与预设的阈值系数的乘积，得到各个活动信息对应的活动预算阈值；
[0233]
选取活动预算小于或等于活动预算阈值的推荐活动信息作为新的推荐活动信息。
[0234]
可选地，推荐活动页面构建模块306具体还用于：
[0235]
采用全部第一类别占比构建类别消费情况图表；
[0236]
将类别消费情况图表加载至推荐活动页面的消费组件；
[0237]
渲染消费组件后，更新当前时刻的推荐活动页面。
[0238]
可选地，推荐活动页面构建模块306具体还用于：
[0239]
采用全部类型数据簇构建类别消费情况图表；其中，类别消费情况图表为三维散点图；
[0240]
将类别消费情况图表加载至推荐活动页面的消费组件；
[0241]
渲染消费组件后，更新当前时刻的推荐活动页面。
[0242]
可选地，系统还包括：
[0243]
推荐活动页面更新模块，用于当生成推荐活动页面后，将计划组件加载至推荐活动页面并渲染，得到新的推荐活动页面。
[0244]
可选地，系统还包括：
[0245]
查询模块，用于响应接收用户的信息查询请求，将信息查询请求发送到后端服务器，通过后端服务器响应后展示信息查询结果。
[0246]
需要说明的是，查询模块支持单条件查询和多条件查询，例如，对于消费数据的查询方式可以按消费类型查询、按关键字查询、按付款方式查询和按金额范围查询等，对于收入数据的查询方式可以按收入类型查询、按关键字查询和按金额范围查询等，另外，用户在登陆后可通过授权可以绑定其它账户，可以对多账户的数据进行查询，例如，家庭用户可以绑定孩子账户，便于查看孩子的消费情况，避免孩子不当消费。
[0247]
本发明实施例中，通过查询模块将信息查询请求发送后端服务器，后端服务器根据信息查询请求从数据库筛选相应的数据信息并返回到客户端，完成信息查询，便于用户查询消费/收入数据。
[0248]
可选地，系统还包括：
[0249]
修改模块，用于响应接收用户的信息修改请求，将信息查询请求发送后端服务器，通过后端服务器响应后展示信息修改结果。
[0250]
本发明实施例中，通过修改模块将信息修改请求发送后端服务器，后端服务器根据信息修改请求从数据库对相应的数据信息进行修改并返回到客户端，其中，信息修改包括增加、删除或内容修改，完成信息修改，便于用户修改消费/收入数据，便于用户根据实际
情况灵活调整消费/收入数据。
[0251]
可选地，系统还包括：
[0252]
操作记录及查询模块，用于查询用户的操作记录和记录用户的对系统的操作行为。
[0253]
本发明实施例中，通过操作记录及查询模块可查询用户对系统的操作记录，检查自己的操作行为，例如，用户在修改数据时误删或修改错误，可以返回查看，另外在系统出现崩溃的时候，方便进行回滚操作，使系统和数据恢复到一个原始正确的状态。
[0254]
本技术实施例中，通过用户验证与授权访问请求模块301响应接收到的用户登录信息，并通过后端服务器验证用户登录信息并发送消费数据的访问授权请求，接着通过数据获取模块302在当用户登录信息验证成功且收到授权许可时，通过后端服务器获取用户登录信息对应得消费数据，接着第一数据预处理模块303对消费数据进行数据预处理，得到预处理数据，保证数据的质量，提高数据处理精度，其次，通过第二数据预处理模块304对预处理数据进行聚类，得到多个目标数据簇、类别均值费用以及第一类别占比，通过分类网络模型运算模块305将各个目标数据簇内的类别数据分别输入到已训练的分类网络模型，得到第二类别占比，最后通过推荐活动页面构建模块306根据第一类别占比和第二类别占比选取推荐活动信息，再采用推荐活动信息构建推荐活动页面并展示，以提供用户进行选择。通过在输入分类网络模型前聚类处理，使得输入的数据更契合分类网络模型，保证分类网络模型的可用性，同时通过对消费数据进行聚类，结合分类网络模型，对消费数据综合处理，有利于筛选出更符合用户的推荐活动，避免用户面对复杂多样的消费数据时难以处理分析，为用户选取活动决策提供良好的依据，解决了现有的服务系统不能对用户的多种消费信息综合分析处理，并向用户推荐活动的问题。
[0255]
本发明实施例还提供了一种电子设备，包括存储器及处理器，存储器中储存有计算机程序，计算机程序被处理器执行时，使得处理器执行如本发明任一实施例的家庭活动推荐方法的步骤。
[0256]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0257]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0258]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0259]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0260]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0261]
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。